IPLC+:在医疗图像细分中,SAM引导的代伪标签校正用于无源域调整

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 域调整 (DA) 对于医疗图像细分至关重要,以解决域转移问题.
• 由于隐私和注释成本,首选的是无源域名适应 (SFDA),但受到有限的监督和不可靠的伪标签的影响.

研究的目的:

• 提出一个增强的SFDA框架 (IPLC+) 用于医疗图像细分,使用细分任何模型 (SAM).
• 提高目标域中的伪标签的质量和可靠性,以便更好地适应.

主要方法:

• 开发了一个可靠的SAM伪标签生成器 (RSPG),使用多个提示来获得高质量的伪标签.
• 引入了不确定性加权的自我训练和平均曲率最小化以实现规范化.
• 实施了一种代校正学习 (ICL) 策略,用SAM完善伪标签.

主要成果:

• 拟议的IPLC+框架在前列腺和心脏细分任务上显著超过了十种最先进的SFDA方法.
• 已证明生成的伪标签的质量和可靠性有所提高.
• 在一些目标领域的场景中,与完全监督的学习相比,取得了更好的结果.

结论:

• IPLC+框架有效地解决了医疗图像细分现有SFDA方法的局限性.
• 整合SAM和精细的伪标签策略可以提高适应性.
• 这种方法在具有挑战性的领域转移场景中显示出强大的医疗图像细分的前景.